现实世界中的规划问题需要先调度，后规划。

启发式规划的两种方法是减少更多的边或者状态抽象。

语义网络的表示方法只能表示有关某一事物的知识，无法表示一系列动作、一个事件等的知识。

下图表示的是前向状态空间搜索。

人们需要把分类器学习的样本的特点进行量化，这些量化后的数据，如鸢尾花的高度、花瓣的长度、花瓣的宽度等就是鸢尾花的特征。这些特征都是有效的，可以提供给分类器进行训练。

状态空间图是对一个问题的表示，通过问题表示，人们可以探索和分析通往解的可能的可替代路径。特定问题的解将对应状态空间图中的一条路径。

贝叶斯定理是为了解决频率概率问题提出来的。

深度学习是计算机利用其计算能力处理大量数据，获得看似人类同等智能的工具。

分层规划中包含基本动作和高层动作。

谓词逻辑是应用于计算机的逻辑形式，其逻辑规则、符号系统与命题逻辑是一样的。

P（A∣B）代表事件A发生的条件下事件B发生的概率。

人工智能利用遗传算法在求解优化问题时，会把问题的解用“0”和“1”表示。0,1就是就是“遗传基因”，01组成的字符串，称为一个染色体或个体。

人们想让智能机器分辨哪个动物是熊猫，就会输入一些数据告诉机器。如图上所示的“大大的脑袋，黑白两色，黑眼眶，圆耳朵”，这些属于（）。

贝叶斯网络是（   ）首先提出来的。

遗传算法具有（   ）的迭代过程的搜索算法。也就是说，通过群体的一代代的不断进化，最终收敛到“最适应环境”的个体，从而求得问题的最优解或满意解。

在A* 算法中，当我们找寻当前节点的相邻子节点时，需要考虑（ ）

下列哪一条是关键路径？请选择相应的路径按钮。( )

算法模型看起来像一棵倒立的树，数据沿着树根输入，再从叶子节点输出，中间的分支要根据不同特征的信息进行判断，决定该向左走还是向右走，这种算法称为（）。

贝叶斯认为概率是（）。

（）的原理是：每一个节点绑定一个启发值，然后经过一次又一次的筛选，引导机器优先筛选那些启发值更优的节点，规避一些无用或效率较低的节点，从而快速找到问题的解。

当我们在物品种类很多的情况下，需要快速选择出一种最优搭配方案时，其实可以借助一些特别的处理方法来解决，这些方法中的一种被称为“遗传算法”，它是通过模拟达尔文的进化论来解决问题的，因此也被归类为“进化算法”。（）教授首先提出“遗传算法”。

假设有一个能自己打扫卫生的真空吸尘器，它的世界只有两块地毯那么大。它可以感知自己处于哪块地毯，这块地毯是干净的还是脏的。它可以选择向左移动（R）、向右移动（L）、吸尘（S），或者什么也不做。下面是吸尘器清扫地毯这个问题的状态空间图，图中的“R”“L”“S”等称为这个问题的（）.

贝叶斯网络是一个（）。

以下哪一项不是机器智能的来源（   ）

下面的动物识别系统中，我们可以在方框中点击所知动物的某些特征，计算机可以据此来识别该动物。这一系统所使用的知识表示方法是（ ）

1.机器通过“学习”也能掌握这种分门别类的技能，如识别人脸，或者区分两种花。像这样能够完成分类任务的人工智能系统，被称为分类器。机器分类的流程可以被抽象为（）和（ ）

（ ）设计出了一个会自主学习的跳棋程序，驳倒了“机器无法超越人类，像人类一样写代码和学习”的理论，创造出了“机器学习”这一术语。

人工智能中问题求解的目的包括：（ ）

手机上的智能语音助手，之所以能解答我们的问题是由于（ ）？

当神经网络接收到工作任务时，就是用（）来接收这些任务所对应的数据集，如图像每个像素点的特征数值——色彩、亮度等。（）的每个神经元都是任务的特征，即特征数值。

以下哪种知识表示的方法适宜描述特定场景中固定不变的事件序列（）。

深度学习模型区别于早期的人工神经网络的是（  ）

机器学习过程中，近似于人类的归纳推理式学习方式，被誉为“人工智能最有价值的地方”的学习方式是（）。

定义规划任务的要素有：（）